> Monitoring _

Prometheus – это open-source решение для мониторинга и обеспечения наблюдаемости, предназначенное для сбора и анализа метрик в режиме реального времени. Он позволяет получать ценные сведения о производительности и состоянии инфраструктуры и приложений, предоставляя основу для оперативного реагирования на возникающие проблемы. Особенно эффективен в средах с большим объемом данных и сложной архитектурой. Инструмент разработчика Prometheus использует модель "pull", извлекающую метрики из целевых систем, что обеспечивает гибкость и масштабируемость. Язык запросов PromQL позволяет эффективно обрабатывать и агрегировать данные, а интеграция с Grafana обеспечивает визуализацию и создание информативных дашбордов. Функциональность Alertmanager позволяет маршрутизировать и управлять оповещениями, минимизируя "шум" и повышая эффективность реагирования. Благодаря возможностям автоматизации и гибкой настройке, Prometheus позволяет оптимизировать процессы мониторинга, сократить время на поиск и устранение неисправностей и повысить общую надежность системы. Ключевые особенности включают в себя инструментарий для отслеживания "золотых сигналов", правила записи для оптимизации запросов и механизмы перемаркировки для фильтрации целей.

Phoenix – это открытая платформа для обеспечения наблюдаемости приложений, использующих большие языковые модели (LLM). Она решает проблему отсутствия гибких и независимых инструментов для отслеживания, оценки и мониторинга производительности LLM, предоставляя разработчикам полный контроль над данными и инфраструктурой. Основана на Python, OpenTelemetry и поддерживает интеграцию с LangChain. Phoenix позволяет проводить детальное трассирование запросов, используя стандарт OpenTelemetry, что критически важно для отладки сложных сценариев и выявления узких мест в работе LLM. Встроенная система оценки с использованием AI-агент (LLM-as-judge) обеспечивает объективную оценку качества ответов, а версионированные наборы данных позволяют проводить регрессионное тестирование и гарантировать стабильность работы. В основе лежит идея использования искусственного интеллекта для автоматизации процессов анализа и улучшения. Платформа предоставляет возможности для построения конвейеров экспериментов, сравнения различных Python промптов и моделей, а также мониторинга LLM в реальном времени. Phoenix – это альтернатива проприетарным решениям, предоставляющая разработчикам возможность самостоятельно размещать и настраивать инфраструктуру, избегая привязки к конкретному поставщику и используя большую языковую модель для повышения эффективности.

LangSmith Observability решает проблему отладки, оценки и мониторинга искусственного интеллекта и больших языковых моделей, лежащих в основе современных AI-агентов. Платформа предоставляет комплексные инструменты для трассировки вызовов, систематической оценки результатов и мониторинга ключевых показателей, обеспечивая прозрачность и управляемость ваших Python-приложений, использующих OpenAI, LangChain и другие технологии. Функциональность LangSmith включает в себя детальную трассировку всех вызовов большой языковой модели, позволяющую отслеживать входные данные, выходные данные и задержки. Встроенные и настраиваемые инструменты оценки позволяют проводить систематическое тестирование и выявлять проблемные места в работе AI-агента, а мониторинг метрик, ошибок и затрат обеспечивает непрерывный контроль производительности и эффективности. LangSmith легко интегрируется с популярными инструментами, такими как OpenAI API, LangChain, Anthropic и другими, предоставляя разработчикам полный набор инструментов для отладки, оценки и мониторинга искусственного интеллекта и больших языковых моделей. Это позволяет быстро выявлять и устранять проблемы, повышая надежность и качество ваших приложений.

Решение задачи отслеживания и управления рейтингом "Top Lean AI" требует надежного инструментария. Этот модуль предоставляет навык мониторинга, автоматизирующий проверки и ежедневные обновления статуса, что позволяет эффективно контролировать производительность искусственного интеллекта и большой языковой модели. Интеграция с фреймворком OpenClaw обеспечивает гибкость и масштабируемость решения. Модуль реализован на Python с использованием JSON для хранения состояния и Cron для планирования задач. Он включает автоматизированные проверки, ежедневные обновления статуса и поддерживает взаимодействие с AI-агентом через OpenClaw. Файлы конфигурации и состояния хранятся в /root/.openclaw/workspace/CS-Notes/. Для работы навыка доступны команды top-lean-ai-monitor check и top-lean-ai-monitor status. Регулярные проверки выполняются по расписанию, используя возможности OpenClaw, и результаты отправляются через [OPENCLAW_MESSAGE_SEND]. Структура проекта включает файлы skill.json, main.py и README.md для описания функциональности и инструкций по установке.

molt-life-kernel решает критическую проблему потери контекста и памяти у AI-агентов, обеспечивая непрерывность работы и сохранение идентичности между сеансами. Модуль предоставляет надежные механизмы восстановления после сбоев и мониторинга когнитивного здоровья, что особенно важно при использовании большой языковой модели и построении сложных систем на базе искусственного интеллекта. В основе работы molt-life-kernel лежит append-only ledger – журнал, в который записываются все изменения состояния AI-агента в неизменяемом виде. Это позволяет восстанавливать состояние после неожиданных остановок, сохраняя историю действий и обеспечивая возможность отката к предыдущим версиям. Реализована система heartbeat checkpoints для создания снимков состояния и механизмы witness gates для контроля критически важных действий с возможностью одобрения человеком. Технически, molt-life-kernel разработан как легковесный модуль на Node.js с использованием JavaScript и технологий ledger для обеспечения надежности и безопасности. Он предназначен для интеграции с существующими AI-агентами и предоставляет инструменты для построения более устойчивых и предсказуемых систем, основанных на большой языковой модели.

Ragaai Catalyst решает проблему отслеживания и анализа всех версий ваших навыков, хранящихся на clawhub.com. Этот инструмент позволяет систематизировать эксперименты, оценивать и оптимизировать конвейеры RAG (Retrieval-Augmented Generation) с использованием командной строки. Он предоставляет комплексный подход к управлению данными, необходимыми для улучшения производительности ваших AI-решений. Ragaai Catalyst – это мощный CLI-инструмент и терминальная утилита, предназначенный для разработчиков и исследователей, работающих с RAG. Функциональность включает в себя конфигурацию, бенчмаркинг, сравнение различных настроек, управление шаблонами запросов и отслеживание затрат на API. Все данные сохраняются локально с возможностью экспорта для дальнейшего анализа. С помощью Ragaai Catalyst вы можете эффективно контролировать параметры, эксперименты с тонкой настройкой и использование токенов, обеспечивая прозрачность и возможность воспроизведения результатов. Этот инструмент значительно упрощает процесс оптимизации и масштабирования ваших RAG-приложений.

Протокол для обеспечения постоянного совершенствования навыков с течением времени. Используйте его, когда вы обнаруживаете пробел в существующем навыке, при проверке эффективности навыков или когда агент документации обрабатывает накопленные пробелы в навыках. Определяет цикл "наблюдение-анализ-корректировка-оценка" для поддержания навыков.

Используйте этот навык при написании и выполнении модульных и компонентных тестов для фронтенда с использованием Vitest и Testing Library. Он охватывает шаблоны render/screen/fireEvent, vi.mock для создания заглушек и структуру тестов AAA (Arrange-Act-Assert). Применяйте его при добавлении тестового покрытия для компонентов Svelte, отладке сбоев тестов или настройке утилит для тестирования.

Создайте новый навык в стиле стандартной операционной процедуры (SOP) в файле skills//SKILL.md, используя метаданные типа "kind: sop" и структурированные разделы "Параметры" и "Шаги".

Обнаружено 15 событий, связанных с триггерами, в файле recon event_definitions.md (дополнительный навык) - Используется агентами, отвечающими за широкий спектр задач (прикреплены к основному состоянию или являются специализированными агентами).

Этот справочник предоставляет исчерпывающую информацию об услуге SAP Cloud Logging на платформе SAP BTP. Используйте его при настройке экземпляров Cloud Logging, конфигурации сбора журналов из сред Cloud Foundry или Kyma, реализации наблюдаемости OpenTelemetry, анализе журналов/метрик/трассировок в OpenSearch Dashboards, настройке аутентификации SAML, управлении сертификатами или устранении неполадок при сборе данных. Охватывает планы обслуживания (dev/standard/large), все 4 способа создания экземпляров (BTP Cockpit, CF CLI, BTP CLI, Service Operator), все 4 способа сбора данных (Cloud Foundry, Kyma, OpenTelemetry, JSON API) и лучшие практики безопасности.

Развертывайте Ember в производственной среде с использованием режима демона, экспорта метрик Prometheus и Docker. Используйте этот навык, когда кто-либо спрашивает о запуске Ember без графического интерфейса, экспорте метрик Prometheus, настройке Ember в Docker или docker-compose, интеграции Ember с Grafana, настройке проверок работоспособности или любом производственном развертывании мониторинга Caddy/FrankenPHP. Для вывода в формате JSON, скриптов и CI-пайплайнов используйте навык ember-json.

Специалист по стандартизации конфигурации Trae. Используется для быстрой инициализации файлов конфигурации проекта Trae, генерации правил проекта, настроек пользователя и шаблонов Skill. Этот Skill используется, когда пользователю необходимо: (1) инициализировать конфигурацию Trae для нового проекта; (2) сгенерировать структуру каталога .trae; (3) создать файл настроек пользователя USER_PREFERENCES.md; (4) создать файл правил проекта project_rules.md; (5) создать новый шаблон Skill.

Используйте эту функцию, когда пользователю необходимо настроить мониторинг производительности, отслеживать состояние приложения, конфигурировать оповещения об ошибках или реагировать на инциденты. Также используйте, когда пользователь говорит: "мое приложение вышло из строя", "как я могу узнать, если что-то сломалось", "настройте оповещения", "насколько стабильно мое приложение", или "я узнал от пользователя, что мой сайт был недоступен". Охватывает отслеживание ошибок, мониторинг доступности, метрики производительности и реагирование на инциденты для SaaS-приложений.

Используйте эту функцию всякий раз, когда пользователю необходимо взаимодействовать с периферийными устройствами BLE через workbench: поиск устройств, подключение по адресу, запись в характеристики GATT или проверка статуса подключения. Raspberry Pi выступает в качестве моста BLE-to-HTTP, используя библиотеку bleak. Также используйте эту функцию при отправке нажатий клавиш на устройства BLE HID, при запуске OTA (Over-The-Air) с помощью команд BLE или при отладке подключения BLE. Активируется по ключевым словам: "BLE", "bluetooth", "GATT", "NUS", "Nordic UART", "BLE scan", "BLE write", "BLE connect".

Используйте командную строку `dtctl` для работы с Dynatrace: расследуйте инциденты, отлаживайте проблемы с производительностью, анализируйте журналы и управляйте ресурсами мониторинга. Применяйте эти навыки, когда пользователь спрашивает об ошибках, скачках задержки, состоянии сервисов, перезапускаемых контейнерах, веб-производительности, статусе соглашений об уровне обслуживания (SLO), открытых проблемах, анализе первопричин, шаблонах в журналах, анализе трассировок или создании панелей мониторинга – даже если пользователь не упоминает Dynatrace напрямую. Также охватывает запросы DQL, управление рабочими процессами, создание блокнотов и панелей мониторинга, настройку параметров и любые операции с окружением Dynatrace.

Используйте этот навык при работе с SigNoz – платформой с открытым исходным кодом для мониторинга приложений, распределенной трассировки, управления журналами, метрик, оповещений и панелей мониторинга. Применимо при настройке SigNoz, интеграции OpenTelemetry с SigNoz, отправке трассировок/журналов/метрик в SigNoz, создании панелей мониторинга SigNoz, настройке оповещений SigNoz, мониторинге исключений и миграции с Datadog/Grafana/New Relic на SigNoz.

Используйте этот навык при реализации логирования, сбора метрик, распределенной трассировки, системы оповещений или при определении целевых показателей уровня обслуживания (SLO). Применимо к задачам, связанным со структурированным логированием, Prometheus, Grafana, OpenTelemetry, Datadog, распределенной трассировкой, отслеживанием ошибок, созданием дашбордов, предотвращением "усталости от оповещений", определением показателей уровня обслуживания (SLI), установлением целевых показателей уровня обслуживания (SLO), определением бюджетов ошибок и любым заданием, требующим обеспечения наблюдаемости системы или настройки мониторинга.

Анализируйте данные диагностики, собранные OpenShift, включая кластерные операторы, поды, узлы и сетевые компоненты. Используйте этот навык, когда пользователь спрашивает о состоянии кластера, статусе операторов, проблемах с подами, состоянии узлов или хочет получить диагностическую информацию из собранных данных. Триггеры: "analyze must-gather", "check cluster health", "operator status", "pod issues", "node status", "failing pods", "degraded operators", "cluster problems", "crashlooping", "network issues", "etcd health", "analyze clusteroperators", "analyze pods", "analyze nodes".

Реализуйте аналитику, функциональные флаги и запись сессий PostHog для приложений Next.js. Используйте эти навыки для отслеживания событий, идентификации пользователей, A/B-тестирования, экспериментов и настройки записи сессий. Также осуществляйте аналитическую отчетность (анализ воронки, удержание, SEO) с интеграцией с Google Search Console.

Этот навык следует использовать, когда пользователь запрашивает создание "индикатора", "аналитики производительности", "PA", "KPI", "виджета панели мониторинга", "детализации", "порога", "табло" или любой разработки, связанной с ServiceNow Performance Analytics.

Этот навык следует использовать, когда пользователь запрашивает создание "события", "правила события", "оповещения", "корреляции событий", "метрики", "интеграции мониторинга", "ловушек SNMP" или любой другой разработки в области управления событиями ServiceNow.

Автоматизируйте процесс сообщения о нарушениях правил дорожного движения через официальный аккаунт полиции Чэнду в WeChat, используя Open-AutoGLM и ADB. Этот навык выполняет весь рабочий процесс: запускает mitmproxy для эмуляции местоположения, запускает WeChat, переходит в официальный аккаунт полиции Чэнду, заходит в сервис Rong-E-Xing, выбирает тип сообщения о нарушении, выбирает режим импорта видео, выбирает место нарушения с использованием эмулированных GPS-координат, устанавливает время нарушения, вводит описание нарушения, загружает видеодоказательства и отправляет отчет. Используйте этот навык, когда пользователь упоминает сообщение о нарушениях правил дорожного движения, автоматическую отправку сообщений, отправку сообщений через аккаунт полиции в WeChat, сервис Rong-E-Xing или хочет автоматически отправлять сообщения о нарушениях, обнаруженных с видеозаписей с автомобильных камер или камер видеонаблюдения.

Руководство по внедрению HolmesGPT – AI-агента для устранения неполадок в облачных средах. Используйте его при расследовании проблем в Kubernetes, анализе оповещений от Prometheus/AlertManager/PagerDuty, проведении анализа первопричин, настройке установок HolmesGPT (через CLI, Helm или Docker), подключении AI-провайдеров (OpenAI/Anthropic/Azure), создании пользовательских наборов инструментов или интеграции с платформами мониторинга (Grafana, Loki, Tempo, DataDog).

Навык OpenOCD для отладки встроенного оборудования. Используйте, когда настраиваете OpenOCD для целей JTAG или SWD, для прошивки микропрограммного обеспечения, для подключения GDB к целевым устройствам без операционной системы, для установки аппаратных точек останова или для использования J-Link с OpenOCD. Активируется при запросах, касающихся OpenOCD, JTAG, SWD, удаленного целевого устройства GDB, программирования памяти, аппаратных точек останова, J-Link или подключения GDB к микроконтроллеру (MCU).

Комплексные навыки в области наблюдаемости и мониторинга, охватывающие Prometheus, Grafana, сбор метрик, оповещения, экспортёры, PromQL, а также паттерны мониторинга для распределённых систем и облачных приложений.

Комплексные методы ведения журналов и обеспечения наблюдаемости для производственных систем, включая структурированное ведение журналов, распределенную трассировку, сбор метрик, агрегацию журналов и оповещения. Ключевые слова, связанные с этим навыком: log, logging, logs, trace, tracing, traces, metrics, observability, OpenTelemetry, OTEL, Jaeger, Zipkin, structured logging, log level, debug, info, warn, error, fatal, correlation ID, span, spans, ELK, Elasticsearch, Loki, Datadog, Prometheus, Grafana, distributed tracing, log aggregation, alerting, monitoring, JSON logs, telemetry.

Этот навык предназначен для развертывания систем мониторинга, включая Prometheus, Grafana и Datadog. Он используется, когда пользователю необходимо настроить или сконфигурировать инфраструктуру мониторинга для приложений или систем. Навык генерирует готовые к использованию конфигурации, реализует лучшие практики и поддерживает развертывание на различных платформах. Используйте этот навык, когда пользователь явно запрашивает развертывание системы мониторинга или упоминает Prometheus, Grafana или Datadog в контексте настройки инфраструктуры.

Настройка потоковой обработки для вывода результатов – автоматическая функция для развертывания моделей машинного обучения. Активируется при: настройке потоковой обработки для вывода результатов. Является частью категории "Развертывание моделей машинного обучения".

Этот навык автоматизирует настройку распределенной трассировки для микросервисов. Он помогает разработчикам реализовать сквозную видимость запросов, настраивая распространение контекста, создание отрезков трассировки, сбор и анализ данных трассировки. Используйте этот навык, когда пользователь запрашивает настройку распределенной трассировки, внедрение наблюдаемости или устранение проблем с производительностью в архитектуре микросервисов. Навык активируется фразами, такими как "настроить трассировку", "реализовать распределенную трассировку", "настроить OpenTelemetry" или "добавить наблюдаемость к микросервисам".